Upload
others
View
20
Download
0
Embed Size (px)
Citation preview
1
Beyin Beyaz Cevher Yolaklarının Difüzyon Tensör Görüntüleme ile Gösterilmesi
Ali Demir
Yeditepe Üniversitesi Bilgisayar Mühendisliği
(Çift anadal: Biyomedikal Mühendisliği)
Proje Danışmanları
Assoc. Prof. Dr. Aziz M. ULUĞ
Prof. Dr. Mehmed ÖZKAN
20.06.2008
2
TEŞEKKÜRLER
Aziz M. ULUĞ (Yeditepe Üniversitesi Biyomedikal Mühendisliği)
(Cornell Universitesi Radyoloji Bölümü)
(Yeditepe Universitesi Hastanesi Radyoloji Bölümü)
Mehmed ÖZKAN (Bogaziçi Universitesi Biyomedikal Mühendisliği Enstitüsü)
(Yeditepe Universitesi Bilgisayar Mühendisliği)
Ali Ümit KESKĐN (Yeditepe Universitesi Biyomedikal Mühendisliği) Zeynep FIRAT (Yeditepe Universitesi Hastanesi Radyoloji Bölümü)
Yeditepe Üniversitesi Hastanesi Radyoloji Bölümü
3
ÖZET
Difüzyon tensör görüntüleme (DTG) doku içerisindeki difüzyonun hangi yönde daha
çok kısıtlandığını gösteren ve bunu niceliksel olarak da ifade edebilen bir yöntemdir. Ayrıca
voksel içinde karakterize edilen difüzyon bilgisi ile beyin ak maddesi fiber traktografi
algoritmaları kullanılarak daha detaylı ve 3 boyutlu olarak gösterilebilir. DTG konusu
araştırma ve geliştirmeye yönelik bir çok problemi içinde barındıran, çok popüler bir konudur.
Bu projenin asıl amacı, DTG konusunda araştırma ve geliştirme projelerine destek olacak bir
yazılım platformunu oluşturmak ve daha sonra kolaylıkla yeni yöntemleri üzerinde
deneyebileceğimiz bir araç geliştirmektir. Bu yazılım temel olarak difüzyon tensorunun
hesaplanması, tensörün diagonalize edilmesi, nicaliksel ve renk kodlu beyin haritalarının
oluşturulması, ve traktografi algoritmaları ile beyindeki beyaz cevher yolaklarının üç boyutlu
olarak gösterilmesi işlemlerini yapabilmektedir. Ek olarak, kullanıcının işini kolaylaştıracak
ve daha kısa sürede analizlerin yapılabilmesini sağlayacak bir platform oluşturulmuştur. Bu
yazılım alt yapısı ile DTG’nin tam olarak gösteremediği bazı durumların ve kısıtlamaların
çözümlenmesi için çalışmalar da yapılabilir.
Anahtar sözcükler: beyin ak maddesi, difüzyon, tensör, görüntüleme.
4
1 GĐRĐŞ
Beyin ak maddesi sinir hücresinde sinyal iletimini sağlayan aksonlardan oluşur.
Aksonun en önemli özelliği yüksek oranda miyelin kılıflı olmasıdır. Miyelin büyük oranda
yağ içerdiğinden dolayı beyaza yakın renktedir ve su moleküllerinin difüzyonuna engel teşkil
eder. Difüzyon su moleküllerinin serbest (Brownian) hareketleridir. Difüzyon tensor
görüntüleme (DTG) tekniğinde beyin içerisinde suyun difüzyonunun hangi yönlerde ne
miktarda kısıtlandığı difüzyona ağırlıklı görüntülerden (DAG) hesaplanır. Ak madde
içerisindeki ölçümlerde suyun belli yönlerde daha çok kısıtlandığı görülür. Bu özellik
matematiksel olarak tensor ile tanımlanabilir. Difüzyonun kısıtlanmasına neden olan yapıların
bulunmadığı, su moleküllerinin her yönde yaklaşık eşit miktarda hareket ettiği dokularda
ellipsoid isotropik, difüzyonun kısıtlandığı dokular için hesaplanan ellisoid ise anisotropiktir.
Tensor dokulardaki difüzyonu matematiksel olarak tanımlayan 3x3 simetik bir matristir.
Simetrik bir tensör nümerik işlemler ile köşegenleştirilebilir. Bu işlem tensörü eksenlerinin
yönü ve eksen yönündeki uzunlukları bilinen bir ellipsoide dönüştürür. Buna difüzyon
ellipsoidi denir. Bu ellisoidin eksenlerinin yönünü gösteren birim vektöre özvektör, özvektör
yönündeki uzunluğuna da özdeğer denir. Bu ellipsoidin üç farklı özdeğeri arasındaki ilişki
matematiksel ifadelerle kıyaslanırak fraksiyonal anisotropi (FA), göreceli anisotropi (sRA*)
gibi birbirinden farklı difüzyon haritaları oluşturulabilir. Bu tanıma göre ellisoidin özdeğerleri
arasındaki standart sapma hesaplanarak ellisoidin özdeğerlerinin birbirlerinden ne ölçüde
farklı oldukları niceliksel olarak ifade edilebilir ve beyin haritaları oluşturulabilir. Bunlara ek
olarak anisotropinin yüksek olduğu yerlerde özvektörlerden özdeğeri en büyük olanının
yönünü takip eden algoritmalar ile beyin ak maddesi ince çubuk veya çizgilerle üç boyutlu
olarak oluşturulabilir.
Bu proje kapsamında MR cihazının ölçtüğü difüzyon ağırlıklı görüntülerden dokularda
farklı yönlerdeki difüzyon katsayılarının (ADC) hesaplanması, ADC’lerden difüzyon
tensörünün hesaplanması, tensörün köşegenleştirilerek difüzyon ellipsoidinin hesaplanması,
elde edilen difüzyon ellipsoidinin matematiksel özelliklerinden niceliksel ve renkli beyin
haritalarının oluşturulması ve difüzyon ellipsoidinin uzandığı yönü takip eden traktografi
algoritması ile birbirini takip eden çizgi veya ince çubuklarla bilgisayarda modellenmesi
aşamaları gerçeklenmiştir. Ayrıca klinik çalışmalarda kullanılabilmesi için bu aşamaların
takibinin ve kontrolünün yapılabildiği kullanıcı dostu bir arayüz geliştirilmi ştir.
5
2 DĐFĐZYON TENSOR GÖRÜNTÜLEME
MR’da difüzyon sinyalinin elde edilmesi için normal sinyallarin toplandığı sırada
protonların fazlarını değiştiren ve bir süre sonra tekrar eski fazlarını dönmesini sağlayan
manyetik alan değişimleri uygulanır [2]. Yerini çok az değiştiren spinlerin fazları
sıfırlanacaktır. Bu durumda meydana gelen sinyal azalması spinlerin hareketine bağlı
olacaktır. Difüzyonun kısıtlandığı dokularda sinyal azalması çok düşük olacağından difüzyon
ağırlıklı görüntülerde daha yüksek intensite değerine sahip olacaktır [1].
Difüzyon ağırlıklı görüntüde oluşan sinyal kaybı uygulanan manyetik alan değişiminin
yönüne ve şiddetine göre değişir. Uygulanan manyetik değişimin gücü b değeri ile ifade
edilir. Stajskal-Tanner spin eko sekansı (Figür 2.1) için b değeri uygulanan manyetik alanın
süresine (δ), gücüne (G) ve ardışık iki manyetik alan değişimi arasındaki zaman farkına
bağlıdır ve Denklem 2.1 ile hesaplanır (γ gyromanyetik sabitidir). [2]
Figür 2.1: Diffusion weighted Spin Echo Pulse Sequence [3]
� = γ����� �∆ − �3� (2.1)
6
MR sinyalindeki azalma Denklem 2.2 ile matematiksel olarak ifade edilebilir. Bu
denklemdeki difüzyon ağırlıklı sinyal, � difüzyon manyetik alan değişimi uygulanmadan
elde edilen sinyal, � difüzyon ağrılık faktörü ve � difüzyon katsayısıdır (ADC olarak da
bilinir). [3]
= ����� (2.2)
Su için difüzyon katsayısı ortalama 3.2x10-3 mm2/s olarak hesaplanmıştır. Difüzyon
katsayısı difüzyonun her yönde eşit olduğu ortamlardaki isotropik difüzyonu ifade etmek için
yeterlidir. Ancak, difüzyonun her yönde eşit olmadığı farkli yapılardan oluşan dokularda
difüzyon anisotropik olduğu için difüzyon katsayısı bu dokudaki difüzyonu tanımlamak için
yeterli değildir (Figür 2.2). [3]
Figür 2.2: Diffusion of a molecule in restricted tissue [2]
Anisotropik difüzyon matematiksel olarak rankı 2 olan 3x3 simetrik bir matris (Figür
2.3) ile gösterilebilir ve bu matrise tensör denir. Tensör difüzyonun 3 boyutta tanımlayan bir
ifadedir. Difüzyonun isotropik olduğu durumda Dxx=Dyy=Dzz, ve Dxy=Dxz=Dyz=0 [3].
Difüzyon tensörünün hesaplanabilmesi için en az 6 farklı yönde difüzyon ağırlıklı görüntünün
ve buna ek olarak bir tane de difüzyon manyetik alan değişimi uygulanmamış (b=0) referans
görüntüsünün alınması gerekir. Pratikte 6’dan daha fazla yönde difüzyon ağırlıklı görüntü
elde edilir ve sinyaller cebirsel işlemlerle tensör hesaplanır.
7
=
zzyzxz
yzyyxy
xzxyxx
DDD
DDD
DDD
D
Figür 2.3: Diffusion Tensor Model
Figür 2.4: Diffusion Ellipsoids for a) Grey matter b) White Matter [3]
Difüzyonun tensör ile tanımlandığı bu durum için Denklem 2.2 Denklem 2.3’deki gibi
olur. Burada �� = γ��� �∆ − ��� ve �� ile gösterilen değer x, y, ve z yönlerindeki manyeti
alan değişim gücüdür.
= ������������
(2.3)
Difüzyon tensörü simetrik olduğu için her zaman Jacobi transformasyonu kullanılarak
köşegenleştirilebilir ve 3x3’lük matriste sadece köşegen üzerinde 0’dan farklı değerler kalır.
Köşegen üzerindeki bu 3 değere özdeğer denir. Köşegenleştirme işlemi sırasında kullanılan
çarpanlar da özvektördür. Özdeğerlere karşılık gelen özvektörler ellipsoidin eksenlerinin
yönünü gösterir (Figür 2.5).
8
Figür 2.5: Tensor Diagonalization [2]
Tensörün kendisinin yöne bağımlı olmasının yanında tensörün difüzyonu niteleyen ve
yönden bağımsız karakteristik parametreleri vardır. Table 2.1’de difüzyon tensörünün yönden
bağımsız parametrelerinin özdeğerler ile hesaplanışı belirtilmiştir. Table 2.2’de aynı
parametrelerin tensör elemanlarıyla hesaplanışı gösterilmiştir. Tanımlanan parametrelerden
ilk üçü (I1, I2 ve I3) dışındakiler bu üç parametre kullanılarak da hesaplanabilir. Her bir
parametre difüzyon ellisoidinin farklı bir özelliğini belirtir. [4, 5]
Table 2.1: Rotationally Invariant Parameters of Diffusion Tensor (in terms of eigenvalues) [5]
Table 2.2: Rotationally Invariant Parameters of Diffusion Tensors (in terms of tensor elements) [5]
9
Difüzyon anisotropisi indeksleri (DAI) ile değerleri 0 (isotropik) ile 1 (tamamen
anisotropik) arasında değişen niceliksel difüzyon haritaları oluşturulur [4, 5]. Table 2.3 ve
Table 2.4’de farklı DAI hesaplama yöntemleri listelenmiştir. Bunlardan beyin ak maddesi
incelemelerinde en yaygın olarak kullanılanı FA haritalarıdır (Figür 2.6). FA haritası difüzyon
ellisoidinin öz değerleri arasındaki standart sapmanın hesaplanması ile elde edilir.
Figür 2.6: FA Map
Table 2.3: Summary of 3D Intravoxel DAI formulas (in terms of eigenvalues) [5]
Table 2.4: Summary of 3D Intravoxel DAI Formulas (in terms of tensor elements) [5]
10
FA haritalarını üzerine özdeğerlerden en büyüğüne karşılık gelen öz vektörün yön
bilgisi eklenerek renkli beyin haritaları oluşturulabilir. Renkli beyin haritalarında parlaklık
anisotropiyi, renk de ellipsoidin uzandığı yönü gösterir. [6]
Figür 2.7: Color Hue [7]
Figür 2.7’da gösterilen renk kodlamasına göre kırmızı renk soldan sağa doğru bir
uzanımın olduğunu, yeşil renk önden arkaya (anteriordan posteriora) doğru, mavi renk de
aşağıdan yukarıya doğru bir uzanımı göstermektedir.
3 TRAKTOGRAF Đ
DTG ile elde edilen bilginin en önemli özelliği dokulardaki difüzyonun hangi yönde
daha fazla olduğunun anlaşılabilmesidir. Bu yöntem ile ölçüm alınan vokseldeki beyaz cevher
(ak madde) yolaklarının hangi yönde ilerlediği anlaşılabilir. Vokseller arasındaki bağlantılar
11
fiber traktografi algoritmaları ile kurulabilir ve grafik objeleri ile beyaz cevher yolakları beyin
görüntüleri üzerinde 3 boyutlu olarak gösterilebilir.
Fiber traktografi doğrusal ilerleyen ve olasılık temelli yaklaşımlarla ve farklı
yöntemlerle yapılabilir. Bunlardan en popüler olanı doğrusal ilerleyen yöntemdir. Bu
yöntemde seçilen bir başlangıç noktasından başlayan ve difüzyon ellisoidinin uzandığı yönde
ilerleyen çizgisel bir model oluşturulur. Farklı bir voksele geçildiğinde çizginin takip ettiği
yön yeni voksel için hesaplanmış difüzyon ellisoidinin uzanım yönünü takip eder. Sonuçta
beyin beyaz cevherinin seçilen başlangıç noktasından itibaren hangi yönde ilerleği 3 boyutlu
grafik objeleri ile gösterilebilir. Bu algoritma FACT (Fiber Assignment by Continuous
Tracking) olarak bilinir ve klinik bulgular ile doğruluğu onaylanan ilk traktografi
algoritmasıdır . [8]
Figür 3.1: Schematic diagram of tracking algorithm (FACT) [3]
Dokulardaki difüzyon 180o simetrikolduğundan dolayı belirlenen başlangıç
noktasından maksimumdifüzyon doğrultusunda ve birbibrine zıt yönde iki farklı çizgi takip
edilir. [3]
Her yeni voksele geçildiğinde trak sonlandırma kriterleri kontrol edilir ve eğer bu
kriterlerden herhangi biri doğrulanırsa trak sonlandırılır. Bu kriterlerden en önemlisi FA
değeridir. Düşük FA değerleri gri cevherin olduğu kısımlarda görüldüğü için bu durumda trak
sonlandırılır. Gri cevherin FA değerleri ortalama 0.1-0.2 arasında değişmektedir. Bu sebeple
12
tipik FA sınır değeri 0.2’dir. Bir diğer sonlandırma kriteri de birbirini takip eden voksellerin
öz vektörleri arasındaki açıdır. Beyaz cevher yolaklarında keskin dönüşler olmadığı için bu
durumda da trak sonlandırılmalıdır. Tipik açı sınır değeri 30 o ‘dir. Bunların yanında bazı
durumlarda kısa uzunluktaki trakların gösterilmemesi için sınır değer belirtilip kısa trakların
silinmesi sağlanabilir. [3]
4 YÖNTEMLER
Bu projede difüzyon ağırlıklı görüntülerin işlenerek beyin hakkında daha deyalı bilgi
elde edilmesi ve kullanılan yöntemlerle beyin ak maddesinin 3 boyutlu olarak incelenmesi
sağlanmıştır. Đlk olarak Philips Achieva-3T MR cihazının ürettiği difüzyon ağırlıklı DICOM
dosyasının içindeki bilgilerin okunması gerçekleştirilmi ştir. Sonraki işlemlerde difüzyon
tensörü ve difüzyon ellipsoidi hesaplanarak beyin haritaları oluşturulmuştur. Beyin haritaları
üzerinde yapılabilecek analiz işlemleri için arayüz kontrolleri eklenmiştir. Son olarak
arayüzdeki kontroller ile seçilen başlangıç noktalarından FACT traktografi algoritması ile
beyin beyaz cevher yolaklarının 3 boyutlu görüntülenmesi sağlanmıştır.
4.1 DICOM Dosyasının Okunması
DICOM (Digital Imaging and Communications in Medicine) medikal görüntülerin
saklanıp taşınması için geliştirilmi ş bir standarttır [10]. Dosyanın ön bilgi ve görüntü kısmı
olmak üzere iki kısımdan oluşur. Đlk kısımda alınan görüntü ile ilgili hasta adı, çekim adı,
çekim parametreleri, görüntü boyutları gibi her türlü gerekli sayısal ve yazılı bilgiler bulunur.
Takip eden kısımda alınan görüntünün sinyal büyüklükleri bulunur.
Ön bilgi kısmı gurup ve elemanlar şeklinde sınıflandılırılarak oluşturulmuştur. Örnek
olarak hasta adı 0010H kodlu gurup ve 0010H kodlu eleman olarak standartta belirlenmiştir.
DICOM dosyasında bu gurup ve eleman kodlarından sonra bilgi yazılır. Difüzyon ağırlıklı
görüntüler için özel olan gurup ve eleman çiftleri: b değeri için (0018H, 9087H), manyetik
alan değişim yönü için (0018 H, 9089 H)’dir.
13
Bu bilgilerle difüzyon ağırlıklı görüntüler içeren DICOM dosyası bir fonksiyon
içerisinde okunarak dosyadan gerekli ön bilgilerin bilgisayar hafızasında tutulması
sağlanmıştır.
4.2 Mask Rutini
MR görüntüsünde beyinle ilgisi olmayan kısımların tensör hesaplamalarında
incelenmesi gereksizdir. Bu kısımlar oluşturulan haritalarda görüntüyü bozucu etki yapar. Bu
etkileri ortadan kaldırmak için bir mask rutini kullanılmıştır. Mask rutini için iki biribirini
tamamlayan yöntem uygulanmıştır: 1) Sınır değer, 2) Erozyon ve dilasyon.
Sınır değer filtresi için b degerinin 0 olduğu referans görüntüsü kullanılmıştır.
Kullanıcı arayüzünden seçilebilen sınır değer ile b=0 olan görüntüde bu sınır değerin üzerinde
sinyal büyüklüğü olan kısımların 1, diğer kısımların 0 olarak işaretlendiği bir mask
oluşturulmuştur. Đkinci aşama oluşan maskın gürültülü kısmının çıkarılması için erozyon ve
dilasyon filtresinin kullanılması olmuştur. Kullanıcı arayüzünden bu filtrenin boyutları
değiştirilebilir. Figür 4.1a sınır değer filtresinin oluşturduğu maskı göstermektedir. Bu
görüntüde kafa tasının olduğu kısımlardaki adacıklar gözükmektedir. Bu maska erozyon ve
dilasyon filtresinin uygulanması sonucu oluşan FA haritasında Figür 4.1b bu adacıkları
görememekteyiz.
Figür 4.1: a) Output of the threshold filter. b) FA Map calculated with the mask filtered with additional erosion
& dilation.
14
4.3 Difüzyon Tensörünün Hesaplanması
Tensör 6 elemanlı bir sütun matrisi olarak ifade edilir (Denklem 3.1).
D = [ D!!, D##, D$$, D!#, D!$, D#$ ]& (3.1)
Normalize edilmiş manyetik alan değişim yönlerinden (g!(, g#(, g$() Denklem 3.2’de
H( olarak ifade edilen kodlama matrisi oluşturulur. Bundan sonraki hesaplamalar için yön
sayısı M olarak ifade edilmiştir.
H( = [ g!(� , g#(� , g$(� , 2g!(g#(, 2g!(g$(, 2g#(g$( ] (3.2)
H( vektörleri birleştirilerek Mx6 boyutlarında bir H matrisi oluşturulur (Denklem 3.3,
Denklem 3.4).
H = [ H+&, H�&, H�&, … . H.& ]& (3.3)
(3.4)
ADC değerleri hesaplanarak Y matrisine koyulur.
/0 =ln � � 0 �
� (3.5)
Y = [ ln �S�S+�
b ,ln �S�S��
b ,ln �S�S��
b , … .ln � S�S.�
b ] (3.6)
15
Denklem 3.7 ADC değerlerinin H matrisi ile D matrisi arasındaki bağıntıyı
göstermetedir. Bu denklemde gürültü faktörü η ile gösterilmiştir.
Y = HD + η (3.7)
Gürültü faktörünü 0’a yakın kabul edersek, D yukarıdaki denklemin her iki tarafını H
matrisinin tersi H�+ ile çarpılarak bulunabilir.
8H�+H9D = D = H�+Y (3.8)
Genel kullanımda H matrisi kare bir matris değildir ve bu yüzden tersi yoktur. Ancak
H matrisinin pseudo tersi (H:) alınarak işlem yapılabilir.
H:H = I<!< (3.9)
Pseudo tersinin alınması aşağıdaki gibi yapılabilir.
H&Y = H&HD (3.10)
8H&H9�+H&Y = 8H&H9�+H&HD (3.11)
8H&H9�+H&Y = D (3.12)
Buradan H: = 8H&H9�+H& olduğu çıkartılır ve D tensörü Denklem 3.13’deki gibi
hesaplanabilir.
D = H:Y (3.13)
16
4.4 Tensörün Köşegenleştirilmesi
Jakobi transformasyonu kullanılarak simetrik herhangi bir matris köşegenleştirilebilir.
Bu işlem sırasında her bir transformasyon için kullanılan çarpan özvektör matrisini oluşturur.
Asıl matrisin köşegeninde kalanlar ise özdeğerlerdir.
Her simetrik matrisin köşegenleştirilerek gerçel sayılardan oluşan özdeğer ve
özvektörleri bu yöntem ile bulunabilir.
Difüzyon tensörü 3x3 simetrik bir matris olduğu için köşegenleştirme işlemi her farklı
tensör için gerçel bir sonuç verir.
Bu projede Jakobi transformasyon algoritmasının c dilinde kodlanmış hali Numerical
Recipes in C: The Art and Scientific Computing kitabından alınmıştır [9].
4.5 Niceliksel Haritaların Hesaplanması
Niceliksel haritalar iki farklı yaklaşımla hesaplanabilir: 1) Tensör elemanları
kullanılarak, 2) Özdeğer elamanları kullanılarak. Her iki yaklaşımda matemaiksel olarak
aynıdır. Ancak Tensör elemanlarından hesaplanan haritaların avantajı köşegenleştirme
işlemine gerek duyulmadan oluşturulabilmesidir.
Bu difüzyon haritaları oluşturulurken hesaplanan değerler 0 ile 255 arasında yeniden
ayarlanarak gri tonlarda gösterilmesi sağlanır. Genelde DAI değerleri 0 ile 255 arasında
değiştiği için bu değeri 255 ile çarpmak bunun için yeterli olur. Gri tonlarda bir harita
oluşturmak için pikselin kırmızı yaşil ve mavi renk kodlarını aynı değere eşitlemek gerekir.
Bilgisayarın hafizasını verimli kullanmak için DAI formülleri kullanıcının her kesit
değişim işlemi sırasında hesaplanıp arayüzdeki pencerede gösterilir. Bu hesaplamalar için
2’nci bölümde belirtilen özel bir c++ yapısı ve metodları geliştirilmi ştir. Örnek haritalar
bölüm 5.1’de gösterilmiştir.
17
4.6 Renk Kodlu Haritalar
Bu projede 4 farklı renk kodlu difüzyon haritası incelenip karşılaştırılmıştır. Bunlardan
2 tanesi tensörün köşegenindeki D değerleri kullanılarak hesaplanmıştır. Diğer iki yaklaşım
ise difüzyon elipsoidinin uzandığı doğrultuyu gösteren özvektörün x, y ve z yönündeki
bileşenleri kullanılarak hesaplanmıştır. Bir diğer farklı yaklaşım da hesaplamada kullanılan
bileşenlerin karelerini kullanarak hesaplanan renk kodlu haritalardır. Her bir kategori için
kırmızı, yeşil ve mavi renklerin hangi formül ile kodlandığı Tablo 3.1 de belirtilmiştir. Bu
tabloda birincil öz vektör = = =>>? + =@@A + =BBC olarak kullanılmıştır ve tensörün
köşegenindeki elemanlar D!!,D## ve D$$’dir. Özvektör aynı zamanda birim vektör olduğu
için uzunluğu 1’e eşittir; yani =>>� + =@@� + =BB� = 1.
Table 4.1: Color Map Calculations
RGB Pixel
Red Green Blue
Map#1 255. D!!
D!! + D## + D$$
255. D##D!! + D## + D$$
255. D$$
D!! + D## + D$$
Map#2 255. D!!�
D!!� + D##� + D$$� 255. D##�
D!!� + D##� + D$$� 255. D$$�
D!!� + D##� + D$$�
Map#3 255. V!!
V!! + V## + V$$
255. V##V!! + V## + V$$
255. V$$
V!! + V## + V$$
Map#4 255. V!!� 255. V##� 255. V$$�
Örnek renk kodlu haritalar bölüm 5.4’de verilmiştir.
4.7 ROI Analizleri
Klinik uygulamalarda nicelisel beyin haritalarının incelenmeleri görüntü üzerinde bazı
özel alanlar için istatiksel olarak incelenir. Bu özel alanlara ROI (region of interest) denir.
Bunun için arayüzde bir kontrol gurubu oluşturulmuştur ve kullanıcı kolay bir şekilde görüntü
üzerinde istediği bölgeyi seçip sadece o bölge için özel incelemelere ulaşabilir.
18
ROI analizleri kapsamında ortalama, maksimum ve minimum FA, ADC, sRA, UAvol,
gibi DAI değerlerin analizi yapılabilir. Bunlara ek olarak seçilen ROI içinde kaç voksel
olduğu, seçilen değerlerin standart sapma ve standart hataları da hesaplanır.
4.8 Fiber Traktografi
FACT algoritması ile beyin ak maddesindeki fiber yapılar 3 boyutlu grafik
kütüphanesi kullanılarak gösterilebilir. Traktografi işlemi için belirlenmiş bir başlangıç
noktasına ihitiyaç vardır. Dolayısıyla ilk işlem başlangıç noktalarının seçilmesi işlemidir.
Başlangıç noktasından itibaren birincil özvektör yönündeki çizgi yeni bir voksele gelinceye
kadar takip edilir. Difüzyon 180o simetrik olduğundan dolayı voksel içindeki başlangıç
noktasından bir de ter yönde ama aynı doğrultuda çizgi takip edilir. Bu iki çizgi geçtikleri
voksellerde o vokselin birincil vektörünün yönünü takip edilmeye devam edilir. Çizgilerin
takip edilmesi işlemi voksel için FA değeri belirlenmiş bir değerin altına düştüğünde veya
birbirini takip eden komşu voksellerdeki birincil özvektörlerin arasındaki açı belirlenmiş bir
değerin üzerinde olduğunda sonlandırılır.
4.8.1 Başlangıç Noktalarının Belirlenmesi
Başlangıç noktaları ROI belirlerken olduğu gibi kullanıcı tarafından görüntü
üzerindeki alanlardan istenilen bölge işaretlenerek seçilebilir. Başlangıç noktaları seçilen
vokselin tam orta noktasıdır. “Level of Detail” denilen kontrol ile aynı voksel içinden birden
fazla noktadan trak başlatılabilir. Bu durumda başlangıç noktaları voksel içerisine homojen
olarak dağıtılır. “Level of Detail” 2 iken 23=8 ayrı noktadan trak başlatılır, 3 iken ise 33=27
farklı noktadan trak başlatılır.
4.8.2 Traktografi Algoritması (FACT)
1. Başlangıç voksellerini belirle.
2. Başlangıç noktasından geçen ve birincil özvektör doğrultusunda olan doğru
denklemini hesapla.
19
3. Bir önceki aşamada bulunan doğru üzerinde ileri yönde olan ve vokselin
yüzeyindeki noktayı hesapla.
4. Eğer komşu vokselin FA değeri sınır FA değerinden küçükse veya komşu
voksel ile üzerinde bulunulan vokselin özvektörleri arasındaki küçük açı sınır
değerden büyükse dur;
Değilse, bir öceki nokta ile bulunan nokta arasında bir çizgi oluştur. 3 ve
4’üncü aşamaları tekrarla.
5. 2’nci aşamada bulunan doğru üzerinde geri yönde olan ve vokselin
yüzeyindeki noktayı hesapla.
6. Eğer komşu vokselin FA değeri sınır FA değerinden küçükse veya komşu
voksel ile üzerinde bulunulan vokselin özvektörleri arasındaki küçük açı sınır
değerden büyükse dur;
Değilse, bir öceki nokta ile bulunan nokta arasında bir çizgi oluştur. 5 ve 6’ncı
aşamaları tekrarla.
7. 2-6 arasındaki aşamaları her başlangıç noktası için tekrarla.
20
5 SONUÇLAR
5.1 Değerlendirme ve Test Yöntemleri
Yapılan çalışma farklı yöntemlerle test edilebilir. Bunlarda bir tanesi difüzyon
katsayısı bilinen bir ortam için D hesaplanmasıdır. Su için 37°C’de difüzyon katsayısı
yaklaşık 3.2x10-3 mm2/s. Corticospinal fluid (CSF) için hesaplanan ADC değerinin ortalama
olarak b değere yakın olması gerekir. Oluşturulan beyin haritaları diğer DTG programları ile
karşılaştırılabilir. Bunlara ek olarak normal bir beyin dokusunda cortico spinal trak (CST)
veya corpus collosum (CC) gibi uzanımı bilinen belli başlı beyaz ceher yolaklarının
görüntülerinin incelenmesi ile de yapılan çalışma değerlendirilebilir.
5.2 Niceliksel Beyin Haritaları
Figür 5.1: T2 weighted image (b=0, reference)
Figür 5.1’de b=0 olan difüzyon ağırlıklı görüntülerde ADC hesaplamasında kullanılan
referans görüntüsü bulunmaktadır.
21
Figür 5.2: FA Figür 5.3: VF Figür 5.4: sRA
Figür 5.5: UAvol Figür 5.6: UAsurf Figür 5.7: UAvol,surf
Yukarıdaki figürlerde birbirinden farklı difüzyon anisotropı haritaları bulunmaktadır.
Bunlardan en sık kullanılanı ve en yaygın olarak bilineni FA haritasıdır. Bu haritalarda parlak
bölgeler difüzyon elipsoidinin şeklinin yaklaşık olarak anisotropik olduğu bölgelerdir.
Anisotropi belli yönde kısıtlanan difüzyonun olduğunu gösterir. Beyiniçin bu kısımlar beyaz
cevher yolaklarının bulunduğu kısımları gösterir. Bu haritalar arasındaki fark hesaplama
yönteminin farklı olmasından, dolayısıyla karakterize ettiği özelliğin farklı olmasından
kaynaklanmaktadır.
5.3 ROI Analizleri
Niceliksel beyin haritaları üzerinde istatistiksel işlemler özel seçilmiş bölgeler için
yapılmaktadır. Bunu sağlamak amacıyla kullanıcı arayüzünde bir kontrol gurubu oluşturulmuş
ve harita üzerinden istenilen bölgenin seçilebilmesi sağlanmıştır. ROI seçilir seçilmez
program otomatik olarak gereken tüm hesaplamaları yaparak kullanıcıya sunmaktadır.
22
ROI 2: Number of Voxels:17 Mean FA: 0.148377 FA MAX: 0.220766 FA MIN: 0.023009
STD DEV: 5.739364E-02 STD ERR: 1.392000E-02
Mean ADC[mm^2/s]: 1.242379E-03
ADC MAX: 1.645734E-03 ADC MIN: 8.151512E-04 STD DEV: 1.816326E-04 STD ERR: 1.137428E-05
Mean UAsurf: 4.331596E-03 UAsurf MAX: 8.431264E-03 UAsurf MIN: 8.827053E-05 STD DEV: 2.676970E-03 STD ERR: 6.492606E-04
ROI 3: Number of Voxels:20 Mean FA: 0.398567 FA MAX: 0.656795 FA MIN: 0.149424
STD DEV: 1.419057E-01 STD ERR: 3.173107E-02
Mean ADC[mm^2/s]: 8.048225E-04
ADC MAX: 1.328618E-03 ADC MIN: 3.498749E-04 STD DEV: 1.897167E-04 STD ERR: 1.095330E-05
Mean UAsurf: 3.728472E-02 UAsurf MAX: 1.066018E-01 UAsurf MIN: 3.784666E-03 STD DEV: 2.820483E-02 STD ERR: 6.306791E-03
Table 5.1: ROI analysis of tumor
23
ROI 4: Number of Voxels:60 Mean FA: 0.644913 FA MAX: 0.839789 FA MIN: 0.224307
STD DEV: 1.282682E-01 STD ERR: 1.655935E-02
Mean ADC[mm^2/s]: 7.442558E-04
ADC MAX: 1.735051E-03 ADC MIN: 1.903969E-04 STD DEV: 3.134120E-04 STD ERR: 1.044707E-05
Mean UAsurf: 1.154521E-01 UAsurf MAX: 2.541361E-01 UAsurf MIN: 8.714601E-03 STD DEV: 5.224421E-02 STD ERR: 6.744699E-03
ROI 5: Number of Voxels:62 Mean FA: 0.664899 FA MAX: 0.844531 FA MIN: 0.318411
STD DEV: 1.215464E-01 STD ERR: 1.543641E-02
Mean ADC[mm^2/s]: 6.919992E-04
ADC MAX: 1.382594E-03 ADC MIN: 0.000000E+00 STD DEV: 2.565899E-04 STD ERR: 8.413915E-06
Mean UAsurf: 1.259464E-01 UAsurf MAX: 2.605862E-01 UAsurf MIN: 1.828972E-02 STD DEV: 5.630736E-02 STD ERR: 7.151042E-03
Table 5.2: ROI analysis of the corticospinal tract
24
5.4 Renk Kodlu Beyin Haritaları
Bu çalışmada 4 farklı yaklaşım ile renk kodlu beyin haritaları oluşturulup
karşılaştırması yapılmıştır. Bu görüntüler arasında çok az farklılıklar vardır.
Figür 5.8:Color Map #1
Figür 5.9: Color Map #2
Figür 5.10: Color Map #3
Figür 5.11: Color Map #4
Harita #3 ve #4 diğer iki haritaya göre daha fazla kontrasta sahiptir. Harita #3 ve #4
birincil özvektör elemanlarını kullanmaktadır. Traktografi algoritması bu vektörün yönünü
kullandığından dolayı analizler için bu iki (Harita #3 ve #4) har’tanin kullanılması daha
doğrudur.
25
5.5 Traktografi
Traktografıye başlamadan önce sonlandırma kriterlerini kontrol etmek gerekebilir.
Daha sonra başlangıç noktaları kullanıcı arayüzünden seçilebilir (Figür 5.12). “Tract Now”
isimli düğmeye tıklandığında hesaplanan traklar 3 boyutlu bir ekranda gösterilir.
Figür 5.12: Tractography Termination Criteria
Figür 5.13: Seeds put on CST
CST’nin (Cortico Spinal Tract) 3 boyutlu oluşturulabilmesi için başlangıç noktaları
Figür 5.13’deki gibi işaretlenmelidir. Algoritmanın hesapladığı noktalardan geçen bir eğrisel
bir çubuk şeklindeki traklar 3 boyutta incelenebilir (Figür 5.14 ve Figür 5.15).
26
Figür 5.14: CST – View 1
Figür 5.15: CST - View 2
Önemli beyaz cevher yolaklarından biri de CC’dir (Corpus Collosum). Başlangıç
noktaları Figür 5.16’daki gibi seçildiğinde bu trakların beynin diğer yarım küresiyle bağlantılı
olduğu anlaşılır (Figür 5.17 ve Figür 5.18).
27
Figür 5.16: Seeds on CC
Figür 5.17: CC - View 1
28
Figür 5.18: CC - View 2
29
6 Programlama Yöntemi
Bu proje bilimsel bir proje olduğundan ve çok ağır matematiksel işlemlerin bilgisayar
ile yapılması gerektiğinden dolayı C++ ile programlanmıştır. Kullanıcı arayüzü QT
kütüphanesi ile oluşturulmuştur. ITK kütüphanesi ile DICOM dosyaları üzeründe işlemler
yapılmıştır. VTK kütüphanesi ise 3 boyutlu yapıların ve pencerelerin oluşturulması için
kullanılmıştır. Proje kodları MinGW ile derlenmiştir.
6.1 Yazılan Temel Program Fonksiyonları
‘TensorCalc’ yapısı tensörden DAI’lerin hesaplanmasını sağlayan fonksiyonları içerir.
//These functions return RGB pixel information unsigned int calculate_FA(); unsigned int calculate_ColoredFA(); unsigned int calculate_ColoredFA_1(); unsigned int calculate_ColoredFA3(); unsigned int calculate_ColoredFA4(); unsigned int calculate_sRA(); unsigned int calculate_VF(); unsigned int calculate_UAsurf(); unsigned int calculate_UAvol(); unsigned int calculate_UAvolsurf(); //These functions returns real values double calculate_double_FA( double *, double *,QRadioButton *, bool ); double calculate_double_UAsurf( double*, double*,QRadioButton *, bool ); double calculate_I1( double *, double *,QRadioButton *, bool ); double calculate_I2( double *, double *,QRadioButton *, bool ); double calculate_I3( double *, double *,QRadioButton *, bool ); double calculate_I4( double *, double *,QRadioButton *, bool ); double calculate_Dav( double *, double *,QRadioButton *, bool ); double calculate_Dsurf( double *, double *,QRadioButton *, bool ); double calculate_Dvol( double *, double *,QRadioButton *, bool ); double calculate_Dmag( double *, double *,QRadioButton *, bool ); double calculate_Dan_Dan( double *, double *,QRadioButton *, bool ); double calculate_K( double *, double *,QRadioButton *, bool ); double calculate_H( double *, double *,QRadioButton *, bool );
Kullanıcı arayüzü için “ui_gui.h” oluşturulmuştur. Bu dosyada arayüz objelerinin
bağlandığı fonksiyonlara ek olarak traktorafi algoritması için gerekli fonksiyonlar da yer
almaktadır.
//GUI event handling control methods void SliderChanged( int ); void gradientDirectionNumSliderChanged( int ); void sliceSpinBoxChanged( int ); void gradientDirectionNumSpinBoxChanged( int );
30
void brightnessSpinBoxChanged( int ); void brightnessSliderChanged( int ); void contrastSliderChanged( int ); void getPath(); void tractNow(); void allocate(); void loadImages(); void parseGEDicom(QString *); void loadGEImages(); void FAMap_Clicked(); void GroupBox_Toggled( bool ); void zoomIn(); void zoomOut(); void adjustBrightness( int ); void screenShot( void ); void allocateAndSetIntensities( void ); void thresholdChanged( int ); void sliderThresholdChanged( int ); void eroseAndDilateDMask( void ); void filterSizeSpinBoxChanged( int ); //ROI control methods void ROISelectionCheckBoxStateChanged( int ); void ROIitemChanged(QListWidgetItem * ); void ROICurrentRowChanged( int ); void calculateROIAnalysis( int ); void deleteROI( ); void deleteROIAt( int ); //Seed vontrol methods , similar to ROI void seedSelectionCheckBoxStateChanged( int ); void seedItemChanged(QListWidgetItem * ); void seedCurrentRowChanged( int ); void calculateSeedAnalysis( int ); void deleteSeed( ); void deleteSeedAt( int ); //Tensor Calculation Methods void calculateTensors(); void constructHMatrix(); void constructYMatrix(); void constructDMask(); void constructDMatrix(); void constructEigenMatrix(); //Tractography methods void resetView( void ); void captureRenderWindow( void ); void opacityValueChanged( double ); void getNextPoint( double, double, double ); void nextPoint( double , double, double, int*, int* );
31
7 TARTI ŞMA
DTG beyin beyaz cevher yolaklarında oluşan bir anormalliğin olduğu klinik vakalarda
kullanılmaktadır. Beyaz cevher yolaklarındaki yer değiştirme veya zarar gören trakların
gösterilmesinde daha önceki MR tekniklerine göre çok önemli bir üstünlüğü vardır.
Operasyon öncesi planlamada ve operasyon sonrası traklardaki değişim gösterilmesinde
sıklıkla kullanılmaktadır. DTG ile yaş ile beyin gelişiminin izlenmesi üzerine bir çok çalışma
mevcuttur. Bunlara ek olarak niceliksel beyin haritalarının incelenmesi ALS, alzheimer,
MPH, ve MS gibi nörodejeneratif hastalıkların teşhisinde ve gelişimin incelenmesinde altın
standart haline gelmiştir. DTG ile beyaz cevher yolaklarının birbiri ile ve gri cevher ile ne
ölçüde bağlantılı olduğu gösterilebilmektedir. Ayrıca 3 boyutlu beyin haritalarının anatomy
eğitimi aşamalarına katkısı yadsınamaz.
DTG tekniğinin bazı kısıtlamaları mevcuttur. Bunlardan en önemlisi çözünürlüğün çok
düşük olmasıdır. Çekim süresinin uzun olmasından dolayı hareket artefaktlarının oluşmasına
neden olur ve sinyal/gürültü oranı düşüktür. Data üzerinde yapılan işlemlerin her aşamasında
yapılan yuvarlama hesapları ile bilgi kaybı olmaktadır. Voksel boyutları yeterince küçük
olmadığından dolayı biribirine yapışık veya biribiri içerisinden geçen traklar
çizdirilememektedir.
Bu proje ile klinik uygulamalarda kullanılabilecek, aynı zamanda DTG araştırma ve
geliştirme projelerinde kullanılabilecek bir yazılım platformu oluşturulmuştur. Platform
piyasada kullanılan ürünlerle karşılaştırıldığında daha hızlı çalıştığı görülmüştür. FACT
algoritması ile beyaz cevher yolakları başarı ile 3 boyutlu oluşturulabilmiştir.
32
KAYNAKLAR
1. Westbrook, C., MRI at a Glance, Massachusetts: Blackwell Science Ltd, 2002. 2. Melhem, E.R., Mori, S., et al. Review: Diffusion Tensor MR Imaging of the Brain and
White Matter Tractography, AJR: 178, January 2002. 3. Watts, R., et al, Fiber Tracking Using Magnetic Resonance Diffusion Tensor Imaging
and Its Applications to Human Brain Development, MRDD Research Reviews 9:168-177, 2003.
4. Uluğ, A.M., van Zijl P.C.M., Orientation-independent diffusion imaging without tensor diagonalization: Anisotropy definitions based on physical attributes of the diffusion ellipsoid, Journal of Magnetic Resonance Imaging 9:804–813, 1999.
5. Kingsley, P.B., Introduction to Diffusion Tensor Imaging Mathematics. Concepts in Magnetic Resonance Part A, Vol. 28A (2):123–154, 2006.
6. Jellison, B.J., et al., Diffusion Tensor Imaging of Cerebral White Matter: A Pictorial Review of Physics, Fiber Tract Anatomy, and Tumor Imaging Patterns, AJNR; 25:356–369, March, 2004.
7. Makris, N., et al., Segmentation of Subcomponents within the Superior Longitudinal Fascicle in Humans: A Quantitative, In Vivo, DT-MRI Study, Cerebral Cortex June; 15:854—869, 2005.
8. Mori, S., van Zijl, P.C.M., Fiber tracking: principles and strategies – a technical review, NMR in Biomedicine; 15:468–480, 2002.
9. Numerical Recipes in C: The Art of Scientific Computing, Cambridge University Press, 1992.
10. DICOM, http://medical.nema.org/, 2008.